Diffusion Models for Audio Restoration
Universität Hamburg(汉堡大学)
本文提出基于扩散模型的音频修复算法,结合可解释性与数据驱动灵活性,在语音增强和音乐修复中实现高音质恢复。
2024-11-11 cs.LG cs.SD eess.AS
Phase reconstruction of spectrograms with linear unwrapping: application to audio signal restoration
本文介绍了一种新的技术,用于重建相位的修改频谱的音频信号。从正弦曲线的混合物的分析中,我们获得在时间-频率(TF)域中的连续时间帧的相位之间的关系。为了获得类似的频率关系,特别是在发病帧内,我们研究了脉冲模型。瞬时频率和攻击时间估计本地包含类的非平稳信号,如vibratos。这些技术确保了分音的垂直相干性(在频率上)和水平相干性(在时间上)。该方法进行了测试,各种数据,并表现出更好的性能比传统的基于一致性的方法。我们还介绍了一个音频恢复框架,并观察到我们的技术优于传统方法。
2016-05-24 cs.SD
VRDMG: Vocal Restoration via Diffusion Posterior Sampling with Multiple Guidance
Sony(索尼)
本文指出了基于扩散后验采样的音乐修复方法的潜在性能问题,并受RePaint和伪逆引导扩散模型启发提出多重引导缓解策略,在歌声去削波和带宽扩展任务上优于现有基准。
2023-09-13 cs.SD eess.AS
Machine Learning: Challenges, Limitations, and Compatibility for Audio Restoration Processes
University of Wisconsin-Eau Claire(威斯康星大学欧克莱尔分校);North Carolina A&T State University(北卡罗来纳农工州立大学)
在本文中,机器学习网络被探索用于恢复退化和压缩的语音音频。该项目的目的是建立一个新的训练模型,从语音数据,学习压缩伪像失真的特点介绍了数据丢失从有损压缩和分辨率损失与现有的算法SEGAN:语音增强生成对抗网络。然后,从模型中得到的生成器将用于恢复退化的语音音频。本文详细介绍了随后的兼容性和操作问题的检查,这些问题是通过使用弃用的代码来解决的,这些代码阻碍了训练模型的成功开发。本文进一步探讨了当前机器学习的挑战、局限性和兼容性。
2021-09-06 cs.LG cs.SD eess.AS
High Throughput and Less Area AMP Architecture for Audio Signal Restoration
RMK Engineering College(RMK工程学院)
音频恢复有效地实现了使用低复杂度的算法称为AMP。该算法具有收敛速度快、计算量小的特点,适用于音频恢复问题。本文的重点是恢复的音频信号,使用超大规模集成电路架构称为AMP-M,实现AMP算法。该结构采用MAC单元和固定比特的华莱士树乘法器,FFT复用器和各种存储器单元(RAM)的音频恢复。VLSI和FPGA实现结果表明,该算法具有面积小、吞吐量高、功耗低等特点,适合于实时的音频恢复问题。突出的例子是磁共振成像(MRI)、雷达和无线通信。
2014-04-05 cs.IT cs.SD math.IT
What Counts as Real? Speech Restoration and Voice Quality Conversion Pose New Challenges to Deepfake Detection
本文研究语音重建和语音质量转换对深度伪造检测系统的影响,通过多类分类方法分析模型行为,发现良性变换导致分布偏移,改进了系统鲁棒性。
2026-07-08 cs.AI cs.LG cs.SD
SelfRemaster: Self-Supervised Speech Restoration with Analysis-by-Synthesis Approach Using Channel Modeling
The University of Tokyo(东京大学)
提出了一种无需配对语音库的自监督语音恢复方法。由于先前的一般语音恢复方法使用通过将各种失真应用于高质量语音语料库而创建的人工配对数据,因此其不能充分地表示真实数据的声学失真,从而限制了适用性。我们的模型包括分析,合成和通道模块,模拟退化语音的记录过程,并以自我监督的方式用真实的退化语音数据进行训练。分析模块从退化语音中提取无失真语音特征和失真特征,而合成模块合成恢复的语音波形,并且信道模块将失真添加到语音波形。我们的模型还支持音频效果传输,其中仅从降级的语音中提取声学失真并添加到任意高质量音频中。模拟和真实数据的实验评估表明,我们的方法实现了显着更高质量的语音恢复比以前的监督方法,表明其适用于真正的退化语音材料。
2022-06-27 cs.SD eess.AS
A Diffusion-Based Generative Equalizer for Music Restoration
Aalto University(阿尔托大学);Sibelius Academy, University of the Arts Helsinki(赫尔辛基艺术大学西贝柳斯音乐学院)
本文提出 BABE-2,利用扩散模型先验联合估计滤波器退化幅度响应并生成修复音频,将带宽扩展拓展为生成式均衡,在历史钢琴及歌唱家录音上取得显著增强。
2025-03-13 cs.SD eess.AS
Token-Based Audio Inpainting via Discrete Diffusion
School of Electrical and Computer Engineering, Ben-Gurion University of the Negev(本·古里安大学电子与计算机工程学院);Faculty of Computer and Information Science, Data Science Research Center, Ben-Gurion University of the Negev(本·古里安大学计算机与信息科学学院);University of Haifa(海法大学)
本文提出基于离散扩散的音频修补方法,通过令牌化音乐表示实现长缺失区域的稳定修复,并引入两种训练策略提升模型性能。
2026-02-17 cs.AI cs.IT cs.LG
Listen through the Sound: Generative Speech Restoration Leveraging Acoustic Context Representation
NAVER Cloud(NAVER云)
本文提出一种结合声学上下文(ACX)表示的生成式语音恢复方法,利用从CLAP模型提取并优化的环境属性嵌入,使UNIVERSE++模型能更好区分和缓解失真,显著提升了多失真条件下的恢复性能与稳定性。
2025-08-12 cs.SD eess.AS
Neural-Enhanced Dynamic Range Compression Inversion: A Hybrid Approach for Restoring Audio Dynamics
IBISC (EA4526), Univ. Evry - Paris-Saclay(IBISC(EA4526)研究所,欧比-巴黎-萨克雷大学)
针对现有DRC反演方法忽略关键参数或依赖难估计的精确参数的问题,提出结合模型反演与神经网络的混合方法,实现稳健的参数估计与音频恢复,在音乐和语音数据集上优于多种最先进技术。
2025-09-09 cs.AI cs.SD eess.AS
On the Geometry of Music Bandwidth Extension in Latent Spaces of Audio Codecs
本文分析了多种先进方法与简单算术变换在神经编解码器潜在空间中用于音乐带宽扩展的性能,发现简单向量加法可媲美大型扩散模型,建议将其设为研究基准。
2026-08-05 cs.SD
A2SB: Audio-to-Audio Schrodinger Bridges
NVIDIA(英伟达)
本文提出A2SB音频恢复模型,通过端到端薛定谔桥实现无需声码器的带宽扩展与音频修复,能处理长时输入并在分布外测试集上达到SOTA。
2025-08-13 cs.LG cs.SD eess.AS
Apollo: Unified Multi-Task Audio-Video Joint Generation
Kuaishou Technology(快手科技)
Apollo通过统一多任务架构、渐进训练策略和大规模数据集,实现音频视频联合生成的高保真度与强泛化能力。
2026-01-13 cs.AI cs.CV cs.MM
Miipher: A Robust Speech Restoration Model Integrating Self-Supervised Speech and Text Representations
Google(谷歌)
本文提出 Miipher 语音修复模型,结合 w2v-BERT 语音表示与 PnG-BERT 文本表示,提升对多种音频退化的鲁棒性,并证明其可将网络语音修复为录音室音质以训练高质量 TTS 模型。
2023-08-14 cs.LG cs.SD eess.AS
Single-step Controllable Music Bandwidth Extension With Flow Matching
Music and Audio Machine Learning Lab, Universal Music Group(音乐与音频机器学习实验室,环球音乐集团)
本文提出了一种基于流匹配的单步可控音乐带宽扩展方法,引入动态频谱轮廓作为控制信号,以实现高质量音频修复。
2026-01-20 cs.SD
DisSR: Disentangling Speech Representation for Degradation-Prior Guided Cross-Domain Speech Restoration
AntGroup(蚂蚁集团);University of Science and Technology of China(中国科学技术大学)
DisSR通过降质先验引导和跨领域对齐训练,提升语音修复在不同降质和领域下的泛化能力与修复质量。
2026-02-13 cs.SD
StrixAE: An Intelligent Agent for Audio Enhancement under Complex Distortion Coupling in Real-World Scenarios
Xiamen University(厦门大学);Fuyao University of Science and Technology(福耀科技大学)
针对真实场景音频增强的复杂失真耦合与个性化需求难题,提出基于MLLM的智能体StrixAE,经两阶段训练后性能优于多数现有方案,实现了更优的音频增强效果与鲁棒性。
2026-09-04 cs.AI cs.SD
Analysing Diffusion-based Generative Approaches versus Discriminative Approaches for Speech Restoration
DESY(德国电子同步加速器研究所)
在过去的几年里,基于扩散的生成模型对计算机视觉和语音处理社区产生了很大的影响。除了数据生成任务之外,它们还被用于数据恢复任务,如语音增强和去混响。虽然传统上认为判别模型更强大,例如用于语音增强,但最近已经显示生成扩散方法大大缩小了这种性能差距。在本文中,我们系统地比较了生成扩散模型和判别方法在不同的语音恢复任务的性能。为此,我们扩展我们以前的贡献扩散为基础的语音增强在复杂的时间-频率域的带宽扩展的任务。然后,我们将其与具有相同网络架构的区分训练神经网络进行比较,用于三个恢复任务,即语音去噪,去混响和带宽扩展。我们观察到,生成方法在所有任务上的全局性能都优于其判别式方法,对于非加性失真模型(如去混响和带宽扩展)具有最大的优势。代码和音频示例可以在https://uhh.de/inf-sp-sgmsemultitask上找到
2023-03-16 cs.LG cs.SD eess.AS
A Two-Stage U-Net for High-Fidelity Denoising of Historical Recordings
Aalto University(阿尔托大学)
提高历史音乐录音的音质是一个长期存在的问题。本文提出了一种基于全卷积深度神经网络的新型去噪方法。设计了一个两阶段的U-Net模型架构,以高保真度建模和抑制退化。该方法处理音频的时间-频率表示,并使用真实的噪声数据进行训练,以联合去除旧模拟光盘中的嘶嘶声、咔嗒声、重击声和其他常见的附加干扰。该模型在客观和主观指标上都优于以前的方法。一个正式的盲听测试的结果表明,真正的录音去噪与这种方法有显着更好的质量比基线方法。这项研究显示了真实训练数据的重要性和深度学习在音频恢复中的作用。
2022-02-19 cs.SD eess.AS
Phase retrieval with Bregman divergences and application to audio signal recovery
IRIT, Université de Toulouse, CNRS(图卢兹大学IRIT研究所、法国国家科学研究中心);ISAE-SUPAERO, Université de Toulouse(图卢兹高等航空航天学院、图卢兹大学)
相位恢复(PR)的目的是从一组内积的幅度恢复信号。这个问题出现在对短时傅立叶变换幅度或功率谱图进行操作并丢弃相位信息的许多音频信号处理应用中。为了合成时域信号,从所得到的修改后的频谱图中恢复丢失的相位确实是必要的。PR通常通过考虑涉及二次损失函数的最小化问题来解决。在本文中,我们采取了不同的立场。实际上,二次损失并不能正确地解释音频的一些感知特性,并且在许多设置中,诸如β发散的替代差异度量是优选的。因此,我们制定PR作为一个新的最小化问题,涉及Bregman分歧。由于这些分歧是不对称的两个输入参数一般,他们导致两个不同的配方的问题。为了优化所得到的目标,我们推导出两个算法的基础上加速梯度下降和交替方向法的乘数。从精确的或从噪声观测估计的频谱图中进行的音频信号恢复实验突出了我们提出的音频恢复方法的潜力。特别是,利用这些Bregman分歧的一些诱导更好的性能比二次损失时,在非常嘈杂的条件下从频谱图执行PR。
2021-01-13 cs.SD
Efficient bandwidth extension of musical signals using a differentiable harmonic plus noise model
Nantes Université(南特大学);École Centrale Nantes(南特中央理工学院);CNRS(法国国家科学研究中心);LS2N(南特数字科学实验室)
本文提出基于可微数字信号处理(DDSP)的谐波加噪声模型,高效实现单声道与多声道音乐信号带宽扩展,在客观指标与MUSHRA听力测试中均优于高复杂度深度学习模型。
2023-11-27 cs.SD eess.AS
Audio-Assisted Face Video Restoration with Temporal and Identity Complementary Learning
提出通用音频辅助人脸视频修复网络GAVN,利用时间与身份互补学习,结合音频和关键点,在压缩伪影去除、去模糊和超分辨率上超越现有方法。
2025-08-06 cs.CV cs.MM cs.SD
UniSE: A Unified Framework for Decoder-Only Autoregressive LM-Based Speech Enhancement
Qwen Business Unit of Alibaba, China(阿里巴巴Qwen业务单元,中国);Tongyi AI Lab of Alibaba, China(阿里巴巴通义AI实验室,中国)
提出UniSE,一种统一的仅解码器LM框架,通过自回归生成离散令牌处理语音恢复、目标说话人提取和语音分离任务,并引入渐进强化学习优化质量,在多个基准上取得竞争性表现。
2026-07-03 cs.AI cs.SD
An investigation of AI integration in sound designer workflows and experiences
Queen Mary University of London(伦敦大学玛丽女王学院)
通过混合方法研究(76人调查+20人访谈),发现当前AI工具在快速消费媒体中表现良好,但缺乏高端声音设计所需的叙事复杂性,从业者偏好辅助性、任务特定的应用,而非端到端生成系统。
2026-05-26 cs.AI cs.CY cs.SD
WhisperVC-AV: Audio-Visual Content Restoration for Noise-Robust Whisper-to-Normal Voice Conversion
Duke Kunshan University(昆山杜克大学);Johns Hopkins University(约翰斯·霍普金斯大学);Wuhan University(武汉大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
针对噪声下耳语转正常语音内容线索丢失问题,提出WhisperVC-AV,通过融合时间声学与唇部特征恢复内容,在多个ASR系统及噪声条件下显著降低CER,并保持说话人相似性。
2026-09-29 cs.SD eess.AS
SonicMaster: Towards Controllable All-in-One Music Restoration and Mastering
Information Systems Technology and Design(信息系统技术与设计)
SonicMaster通过基于文本的控制,实现了音乐修复与母带处理的统一生成模型,显著提升了音频质量。
2026-09-14 cs.AI cs.MM cs.SD
Scenario Aware Speech Recognition: Advancements for Apollo Fearless Steps & CHiME-4 Corpora
University of Texas at Dallas(得克萨斯大学达拉斯分校)
在这项研究中,我们建议调查三重损失的目的,替代功能表示ASR。我们考虑一个一般的非语义语音表示,这是训练与自我监督的标准的基础上三重损失称为TRILL,声学建模,以代表每个音频的声学特性。然后将该策略应用于CHiME-4语料库和CRSS-UTDallas Fearless Steps语料库,重点是由5个选定的NASA Apollo-11通道组成的100小时挑战语料库。对提取的嵌入的分析提供了基于声学区分属性将训练话语表征为不同组所需的基础。此外,我们还证明了基于三重损失的嵌入在声学建模中的性能优于i-Vector,证实了三重损失比说话人特征更有效。通过额外的技术,如发音和沉默概率建模,再加上多风格的训练,我们实现了+5.42%和+3.18%的相对WER改善的无畏步骤语料库的开发和评估集。为了探索推广,我们在CHiME-4的1通道轨道上进一步测试了相同的技术,并观察到真实测试数据的相对WER改善了+11.90%。
2021-09-23 cs.LG cs.SD eess.AS
Psychoacoustically Motivated Audio Declipping Based on Weighted l1 Minimization
Brno University of Technology(布尔诺理工大学)
提出了一种基于稀疏度的音频去唇方法。该方法通过在$\ell_1$最小化中对变换系数进行加权来结合心理声学信息。加权导致改善的恢复质量,同时保持算法的低复杂度。提出了三种可能的权重构造,基于绝对听觉阈值,全局掩蔽阈值和二次曲线。实验比较了信号失真比(SDR)和PEMO-Q客观差异等级(ODG)的恢复质量,并表明,正确选择的权重,所提出的方法是能够竞争,甚至优于,目前的最先进的。
2020-07-01 cs.SD eess.AS
Houston we have a Divergence: A Subgroup Performance Analysis of ASR Models
Politecnico di Torino(都灵理工大学)
本研究分析了ASR模型在不同子组中的性能差异,探讨了模型大小、语言和微调对子组性能的影响,旨在优化地球到太空通信的语音识别系统。
2024-03-31 cs.LG cs.SD eess.AS
Active Restoration of Lost Audio Signals Using Machine Learning and Latent Information
Université Frères Mentouri I(兄弟门图里大学);Blekinge Institute of Technology(布莱金厄理工学院)
本文融合隐写术、半色调抖动与浅层/深度学习,提出 HCR 框架,利用嵌入的潜在辅助信息主动重建丢失音频,并在 SNR、ODG 等指标上优于多种现有方法。
2024-01-18 cs.LG cs.SD eess.AS
MPASCNet: Magnitude-Phase-Aware Adaptive Spectral Compression for Compressed Music Restoration
College of Artificial Intelligence, China University of Petroleum(中国石油大学人工智能学院);The Chinese University of Hong Kong(香港中文大学);Institute of Acoustics, Chinese Academy of Sciences(中国科学院声学研究所)
本文针对现有压缩音乐恢复方法未显式建模相位或依赖预定义频率划分的问题,提出MPASCNet网络,通过幅度-相位感知自适应压缩频谱特征,在MP3恢复任务上以6.49M参数实现优于Apollo、AEROMamba的性能。
2026-10-14 cs.SD
Summary of The Inaugural Music Source Restoration Challenge
Independent Researcher(独立研究者);Johns Hopkins University(约翰霍普金斯大学);The Chinese University of Hong Kong(香港中文大学);Sony AI(索尼人工智能);King's College London(伦敦国王学院)
音乐源恢复挑战赛评估了不同系统在恢复退化音频中乐器声部的性能,揭示了不同乐器恢复难度差异及各系统表现
2026-01-07 cs.AI cs.SD eess.AS
Bayesian Restoration of Audio Degraded by Low-Frequency Pulses Modeled via Gaussian Process
Federal University of Rio de Janeiro (UFRJ)(里约热内卢联邦大学);Rio de Janeiro State University(里约热内卢州立大学)
本文提出一种贝叶斯方法,联合估计脉冲位置、插值受损信号并估计尾部,通过高斯过程建模,利用MCMC推断,减少用户干预并达到与先前方法相当的感知效果。
2020-09-26 cs.SD eess.AS eess.SP
DTT-BSR+: A Generative-Regression Cascade for Music Source Restoration
School of Electronic Information, Wuhan University, China(武汉大学电子信息学院);Signal Processing Research Center, Tampere University, Tampere, Finland(塔尔库大学信号处理研究中心)
提出DTT-BSR+两阶段级联系统,将分布拟合与信号重建解耦,通过生成式分离器和改进的Demucs网络,在多个音轨上超越现有最佳方法。
2026-06-24 cs.AI cs.SD eess.AS
Synthesizing Audio from Silent Video using Sequence to Sequence Modeling
Milwaukee School of Engineering(密尔沃基工程学院)
本文提出基于序列到序列模型和3D VQ-VAE从无声视频合成音频的方法,以提升声音多样性并应用于CCTV分析、无声电影修复等场景。
2024-04-25 cs.AI cs.CV cs.LG
A Training-Free Proactive Defense Against Partial Speech Manipulation via Self-Embedding Steganography
National Institute of Informatics(情报信息研究所)
针对部分深度伪造语音检测难题,本文提出一种无需训练的主动防御方法,通过将自嵌入策略与现有音频隐写术结合,借助编解码器修复实现检测,可与被动防御互补且数据效率高。
2026-09-21 cs.AI cs.SD
Multi-Stage Music Source Restoration with BandSplit-RoFormer Separation and HiFi++ GAN
Institute of Computational Perception (CP-JKU) Johannes Kepler University Linz, Austria(计算感知研究所(CP-JKU)约翰· Kepler大学林茨,奥地利)
本文提出多阶段音乐源修复方法,结合BandSplit-RoFormer分离与HiFi++ GAN修复,实现高质量音乐声部恢复。
2026-03-04 cs.LG cs.SD eess.AS
End-to-End Historical Music Restoration in Latent Space
ETH Zurich(苏黎世联邦理工学院);Sony Corporate Technology Center America, Inc.(索尼美国公司技术中心);Sony Europe Ltd.(索尼欧洲有限公司);Aalto University(阿尔托大学);Sony Group Corporation(索尼集团公司)
本文提出有监督的端到端管弦乐历史音乐修复基准,通过更忠实的合成退化链和潜流匹配模型,在多项评估中超越现有基线,并发布9.3小时测试集。
2026-10-02 cs.LG cs.SD eess.AS
BridgeVoC: Revitalizing Neural Vocoder from a Restoration Perspective
Tencent AI Lab(腾讯人工智能实验室)
BridgeVoC将神经声码器建模为音频恢复问题,结合薛定谔桥扩散框架与子带感知卷积网络,并通过全向蒸馏实现单步推理,在低计算成本下取得最先进性能。
2025-11-10 cs.SD
QuarkAudio Technical Report
Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学)
QuarkAudio通过统一的解码器-only自回归语言模型框架,整合多种音频任务,实现高效高质量的音频生成与处理。
2025-12-23 cs.SD eess.AS
UniTok-Audio: A Unified Audio Generation Framework via Generative Modeling on Discrete Codec Tokens
Alibaba Group(阿里巴巴集团);TongYi Ai lab(通义实验室);Zhejiang University(浙江大学)
针对音频生成任务碎片化导致的开发冗余和泛化受限问题,提出统一音频生成框架 UniTok-Audio,通过自回归生成离散 token、任务标识符统一多任务模式及双流编解码器,在五项音频任务上取得与SOTA媲美的性能。
2025-10-30 cs.SD
FLEURS-R: A Restored Multilingual Speech Corpus for Generation Tasks
Google DeepMind(谷歌DeepMind)
本文提出语音修复后的多语言并行语料库FLEURS-R,基于FLEURS用Miipher模型提升102种语言语音的质量与保真度,可推动低资源语言语音生成研究,且已公开发布。
2024-08-12 cs.AI cs.CL cs.SD
BEHM-GAN: Bandwidth Extension of Historical Music using Generative Adversarial Networks
Aalto University(阿尔托大学)
音频带宽扩展旨在扩展窄带音频信号的频谱。虽然这一主题在近年来得到了广泛的研究,但扩展历史音乐录音的带宽的特定问题仍然是一个公开的挑战。本文提出了BEHM-GAN,一个基于生成对抗网络的模型,作为这个问题的实际解决方案。所提出的方法与音频的复杂频谱图表示一起工作,并且由于专用的正则化策略,可以有效地扩展未分发的真实历史记录的带宽。BEHM-GAN被设计为在对录音进行去噪后的第二步应用,以抑制任何附加干扰,例如滴答声和背景噪声。我们使用钢琴独奏古典音乐进行训练和评估。在客观和主观实验中,所提出的方法优于比较基线。正式的盲听测试结果表明,BEHM-GAN显著提高了20世纪早期留声机录音的感知音质。对于几个项目,有一个实质性的改善后,提高历史记录与建议的带宽扩展算法的平均意见得分。这项研究代表了在现实世界中数据驱动的音乐恢复的相关步骤。
2022-06-28 cs.SD eess.AS
CogSR: Semantic-Aware Speech Super-Resolution via Chain-of-Thought Guided Flow Matching
National Engineering Research Center for Multimedia Software, School of Computer Science, Wuhan University, Wuhan, China(多媒体软件国家工程研究中心、计算机科学学院、武汉大学、武汉);School of Artificial Intelligence, Jianghan University, Wuhan, China(人工智能学院、江汉大学、武汉);Xiaomi Corporation, Beijing, China(小米公司、北京)
CogSR通过整合大型音频-语言模型和思维链推理,实现语义感知的语音超分辨率,提升低采样率录音的修复精度和语言准确性。
2025-12-18 cs.SD
Music-Source-Separation-Training (MSST): A Unified Framework for Training and Evaluating Music Demixing Models
National Research University Higher School of Economics (HSE University)(俄罗斯国立研究型高等经济大学);AlphaChip LLC.(阿尔法芯片有限责任公司)
本文针对音乐源分离任务提出MSST框架,统一训练、验证和推理,支持多种模型架构、数据处理方式、损失函数及评估指标,还有提升分离质量的实用技术,通过整合组件降低实验门槛,实现快速迭代。
2026-07-28 cs.LG cs.SD eess.AS